你们是否曾经在处理数据时遇到过令人头疼的NaN或None值？在数据科学和数据分析中，这些缺失值就像隐藏的陷阱，稍不留神就会导致分析结果出现偏差。

幸好，Python的Pandas库为我们提供了一个强大的武器——fillna()方法。今天，我们就来深入探讨fillna()的用法，通过10个实用示例，让你成为处理缺失数据的高手！

示例1：基础填充

import pandas as pd

import numpy as np

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

print(df.fillna(0))

示例2：列特定制填充

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

values = {'A': 0, 'B': 5}

print(df.fillna(value=values))

示例3：使用前向填充

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

print(df.fillna(method='ffill'))

示例4：使用后向填充

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

print(df.fillna(method='bfill'))

示例5：限制填充次数

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4, np.nan],

    'B': [5, np.nan, np.nan, 8, 9],

    'C': [9, 10, 11, 12, 13]

})

print(df.fillna(method='ffill', limit=1))

示例6：使用其他DataFrame填充

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

other_df = pd.DataFrame({

    'A': [0],

    'B': [5],

    'C': [9]

})

print(df.fillna(other=other_df))

示例7：使用函数计算填充值

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

mean_values = df.mean()

print(df.fillna(mean_values))

示例8：按条件填充

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

print(df.fillna({col: df[col].mean() for col in df.columns}))

示例9：使用字典填充特定列

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

values_dict = {'A': 0, 'B': df['B'].mean()}

print(df.fillna(value=values_dict))

示例10：使用Series填充

df = pd.DataFrame({

    'A': [1, 2, np.nan, 4],

    'B': [5, np.nan, np.nan, 8],

    'C': [9, 10, 11, 12]

})

fill_series = pd.Series([0, 5, 9], index=['A', 'B', 'C'])

print(df.fillna(fill_series))

通过上述示例，我们不仅了解了fillna()的基本用法，还学会了如何根据具体情况选择最合适的填充策略。无论是在处理真实世界的数据集，还是在构建机器学习模型时，掌握fillna()的运用都至关重要。

在实际应用中，合理地处理缺失值不仅可以提高数据的质量，还能避免潜在的偏误，确保分析结果的准确性和可靠性。

我们下期再见，继续探索Python和数据分析的更多奥秘！

注意：在使用fillna()时，要根据数据的性质和分析目标谨慎选择填充策略。错误的填充方法可能会引入偏差，影响数据分析的结果。同时，对于大规模数据集，还需考虑性能优化，避免不必要的计算开销。

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。